陶哲軒在 2026 年國際數學家大會上的演講，這幾天一直在我的腦海中迴盪。他談到數學界正從「證明稀缺」走向「證明過剩」。這句話表面上描述的是數學研究的未來，背後觸及的卻是一個更廣泛的轉變：當推導、程式碼、文獻整理、模型分析，乃至完整論證都能快速生成時，我們長久以來圍繞「取得答案」建立的知識制度，將如何重新理解自身的價值？

對大學而言，這不是一個可以留待技術成熟後再處理的問題。今天的人工智慧當然仍會犯錯：它會產生幻覺、錯引文獻、忽略條件，也會用極有說服力的語氣包裝並不可靠的結論。然而，如果討論始終停留在「AI 還不是百分之百準確」，我們便可能抓住一個迅速過時的事實，迴避一個正在成形的結構性變化。

今日的 AI 很可能只是未來最不成熟、能力最有限的版本。在愈來愈多界定清楚的任務上，它已經比一般人更快速、更穩定，也更能持續維持一定水準；在若干專業工作中，它亦正接近甚至達到熟練工作者的表現。這不表示每一項輸出都可信，也不表示人類已經失去作用。它只提醒我們：大學不能把自己的未來，寄託在 AI 永遠保留今天的缺陷之上。

因此，本文既不打算為現有 AI 的每一個答案辯護，也不試圖預測某個模型何時會全面超越人類。我只採取一個較務實的工作假設：未來的人工智慧將以相當高的準確度，完成愈來愈多目前需要大學教育與專業訓練才能勝任的工作。即使這個轉變比最樂觀的預測來得緩慢，它對課程、評量、研究訓練和大學制度的影響，也足以要求我們從現在開始思考。

前陣子在一場大學畢業晚宴上，看著一群即將步入社會、充滿憧憬的年輕面孔，我在致詞中談到跨世代終身學習的必要性。可是走下講臺、回到辦公室後，心裡浮現的卻是一個更難回答的問題：在數學、物理、生命科學、化學與海洋科學等基礎領域中，當機器可以迅速完成推導、整理文獻、分析資料、預測結構與優化模型時，我們長久以來依賴並引以為傲的學術與教育模式，還能維持原貌嗎？

追問下去，問題終究會落到教授這個職業本身。當 AI 能比許多教師更耐心地解釋，更細緻地配合個別學生的程度，並在每一次互動中持續記錄學習軌跡時，教授的教學價值應該建立在哪裡？當論文產量急劇增加、同行評審不堪負荷，而研究成果又有愈來愈多部分由 AI 生成時，我們應如何辨認一名學者真正作出的貢獻？如果這些問題沒有令人信服的回答，學生與社會也必然重新衡量：大學是否仍然值得信任、尊重與投入？

我沒有標準答案。但有一點愈來愈清楚：AI 已不再是傳統教育之外的一項附加工具。它正在改變知識工作的成本結構，也迫使我們重新追問，大學究竟要培養甚麼樣的人，又要以甚麼理由證明自己的存在。

一、真正的問題，不是今天的 AI 還會不會犯錯

每當我們討論 AI 對高等教育的影響，最常見的回應之一，就是列舉它目前的錯誤：捏造資料、誤解題意、在長推導中遺漏條件，甚至對錯誤答案表現得過度自信。這些批評都成立；在醫療、工程、公共政策與基礎研究等高風險領域，我們尤其不能輕忽。

但大學教育的規劃不能只是一場對當前產品的評測。課程設計、師資結構、學位制度與校園設施往往需要多年才能調整；一名今天入學的學生，會在數年後畢業，並在未來數十年中工作。如果我們只根據 AI 此刻的弱點安排教育，便可能在學生真正進入社會時，發現那些弱點已經縮小，而我們卻仍在訓練他們完成機器最容易接管的工作。

更何況，「AI 是否比人類準確」並不是一個單一問題。人類的表現本來就高度不均：新手與專家不同，疲倦時與專注時不同，有時間查證與在壓力下即時作答也不同。專業工作也不是一場只做一次的考試，而是一套包含生成、檢查、修正、協作與問責的流程。即使 AI 在每一個孤立步驟中都不是完美的，只要它在整體流程中比一般工作者更快、更便宜、更一致，它便足以改變職業分工與教育需求。

因此，現階段最值得追問的，不是「AI 今天是否已在所有方面勝過最優秀的人」，而是「當它在大量日常專業任務上達到足夠好的水準時，哪些人類能力仍須被有意識地培養」。這樣一來，焦點便從技術競賽回到教育責任：我們不必等到 AI 完美，才開始重新設計大學。

二、從「運算準確」到「理論有效」

要回答大學應該培養甚麼，我們首先必須區分兩種經常被混為一談的能力：給出準確答案的能力，以及判斷答案是否有效的能力。

在規則明確、資料格式固定、目標可以量化的任務中，機器的優勢會愈來愈明顯。它可以反覆計算而不感到疲倦，可以搜尋人類無法窮盡的參數空間，也可以在極短時間內比較大量可能路徑。即使今天的系統仍會出錯，我們也沒有理由假設這些錯誤會永遠構成一道足以保護人類專業的屏障。

但科學工作從來不只是把指定問題算對。它至少包含幾個不同層次：數值是否準確，推導是否正確，模型是否適用，假設是否合理，證據是否足以支持結論，結果能否在現實中重現，以及這個問題本身是否值得研究。這些層次彼此相關，卻不能互相取代。

一個答案可以在形式上完全正確，卻在科學上無關緊要；一個模型可以完美擬合既有資料，卻無法預測新的情況；一個推導可以符合所有符號規則，卻建立在不合理的前提上；一個實驗結果也可能具有統計顯著性，卻沒有實際意義。換言之，「正確」往往只是有效性的必要條件，而不是充分條件。

以複雜系統建模為例，AI 可以迅速調整模型參數，使輸出與既有資料高度吻合。但如果訓練資料遺漏了重要狀態，邊界條件與實際環境不一致，或者模型只是在重現歷史資料中的偶然規律，那麼極低的數值誤差仍可能伴隨極差的現實預測。這不是運算不夠準確，而是我們可能精確地回答了錯誤的問題。

因此，我所說的「理論有效」，並不是與計算準確相對立的神祕直覺，而是一組可以被討論、檢驗與培養的高層次判斷：問題是否設定得當，概念是否清楚，假設是否可辯護，證據與結論之間是否相稱，模型是否適用於指定情境，結果是否能被解釋與重現，以及失敗的代價由誰承擔。

未來的 AI 當然也會參與這些判斷，甚至可能在許多方面比人類做得更好。但「參與判斷」與「承擔判斷」並不是同一件事。一個系統可以計算風險、列出替代方案，也可以指出推論中的漏洞；然而，研究共同體仍必須決定是否接受某項證據、是否採用某個模型、是否把結果應用於現實，以及在造成傷害時如何解釋與修正。準確度可以由系統提升，責任卻不能簡單地輸出到機器身上。

這正是大學教育需要守住的第一條界線：學生不只要學會產生答案，還要辨認答案所依賴的條件與現實，並願意為自己的採用與判斷負責。

三、當答案不再稀缺，大學還要教甚麼？

一旦教育的重心由「答案」轉向「判斷」，大學長期沿用的教學與評量模式便必須隨之調整。

過去，知識本身相對稀缺。學生到大學聽課、閱讀教科書、進入實驗室，是為了取得專業知識與技術。教師示範如何解方程、推導定理、操作儀器和分析資料；學生則透過反覆練習，逐步取得進入專業共同體的資格。在這種制度下，能否獨立產生正確答案，往往同時代表一個人是否掌握了相關知識。

但當答案、程式碼、文獻摘要和標準分析隨手可得，這種關係便開始鬆動。一個人可能在沒有真正理解的情況下，提交一份結構完整、語言流暢、技術上看似成熟的成果。表面的完成度不再可靠地反映內在的理解程度。這不只是作弊偵測的問題，而是評量所依賴的訊號已經改變。

如果大學仍把主要功能定位為傳遞可被迅速生成的內容，它的正當性確實會受到質疑。如果課程只是訓練學生依照範例套用公式、重複標準實驗，或按照固定格式完成報告，那麼學生畢業後，很可能發現自己最熟悉的工作已經可以由機器更快、更便宜地完成。

然而，答案變得廉價，並不表示理解也同時變得廉價。恰恰相反，當輸出數量急劇增加，辨認優劣的成本反而上升。過去的困難可能是找不到答案；未來的困難則是答案太多、彼此衝突，而且每一個都寫得像真的。此時，知識的價值不只在於提供內容，也在於形成一套能夠篩選內容的內在結構。

因此，大學真正需要重新分配的，不只是課堂時間，而是教育的重心。它必須從傳遞既定答案，逐步轉向培養提出問題、拆解假設、比較證據、驗證結果、解釋方法、辨認限制與承擔責任的能力。學生不只要知道「答案是甚麼」，還要能說明「為何相信它」、「它在甚麼條件下成立」以及「如果它錯了，下一步應該怎樣做」。

這並不意味教師不再傳授知識，而是知識傳授必須服務於更高層次的目標。當答案過剩，大學不應只是另一個答案供應者，而應成為人們學習如何理解、比較與處理答案的地方。

四、基礎知識不是為了與機器比速度

然而，把教育重心轉向判斷，並不等於基礎知識已經過時。恰恰相反，最常見的誤解，正是因為 AI 已能計算、寫程式和解釋概念，便推斷學生不再需要扎實的基礎訓練。這個結論看似順理成章，實際上卻混淆了「取得結果」與「判斷結果」兩種能力。

學生學習微積分，不應只是為了比機器更快完成積分；學習程式設計，也不只是為了親手寫出 AI 可以瞬間生成的程式碼。這些訓練更深層的作用，是讓學生在心中建立關於結構、因果、尺度、近似、誤差與限制的模型。只有當這些概念成為思考的一部分，學生才可能在面對一個漂亮答案時，察覺其中某個量級不合理、某個條件被遺漏，或者某個結論遠遠超出了證據所能支持的範圍。

基礎知識也是一種認知上的自主。完全依賴外部系統的人，或許能在系統運作良好時得到高品質答案，卻難以在系統失效、不同工具互相矛盾，或現實情況偏離標準案例時作出獨立判斷。他可以使用知識，卻無法真正檢查知識；可以接受建議，卻不知道何時應該拒絕。

當然，這不表示所有傳統訓練都應原封不動地保留。有些手工計算、格式要求與重複操作，在過去是取得結果的必要成本，今天卻未必仍具有同樣的教育價值。真正需要保留的，不是每一項舊方法，而是那些能夠形成概念理解、錯誤感、尺度感與推理能力的經驗。

所以，未來基礎課程的改革不應只是「刪除 AI 已經會做的內容」，也不能只是「在原課程後面增加一節 AI 工具介紹」。更重要的是重新說明每一項訓練的目的：哪些步驟值得學生親自完成，因為它們塑造理解；哪些工作可以交給 AI，因為它們主要消耗時間；而在使用 AI 之後，學生又必須增加哪些驗證、解釋與反思。

基礎知識的價值，將愈來愈少體現在獨自完成所有運算，愈來愈多體現在讓人保有判斷的主權。

五、保留「有意義的阻力」

但僅有基礎知識仍然不夠。判斷力還需要在探索、失敗與修正之中逐步形成；這也使我重新思考，大學作為一個「容許探索與試錯的學習空間」，究竟有何意義。

一個研究者的判斷力不可能憑空形成。學生必須親自提出假設、進行推導、面對與預期不一致的數據，並嘗試解釋自己為甚麼出錯。科學直覺不是從答案中直接下載的，而是在預期與結果一次又一次互相碰撞的過程中逐漸形成。

AI 正在迅速降低試錯成本。程式碼寫錯了，它可以立即修復；推導中出現漏洞，它可以指出問題；觀念不清楚，它可以用不同方式不斷解釋。這些能力可以大幅改善學習，讓學生不必把大量時間耗費在沒有教育意義的技術障礙上，也能讓不同背景的學生獲得更即時、更個人化的支援。

但如果所有阻力都被消除，學習也可能變得過度流暢。當學生每次遇到困難都立即把問題交給 AI，他便可能失去自行形成假設、忍受暫時不確定、在多條路徑之間作出選擇，以及追查錯誤來源的機會。最後，他學會的是如何令問題迅速消失，而不是如何與一個尚未解決的問題共處。

我們不應把痛苦本身浪漫化。被導師羞辱、在缺乏支援的環境中反覆失敗，或者把時間浪費在機械性錯誤上，都不是值得保存的教育傳統。真正需要保留的是「有意義的阻力」：學生必須先作出判斷，展示自己的推理，承受判斷的後果，再利用教師、同儕與 AI 的回饋修正理解。

這種阻力的目的不是延遲答案，而是讓學生在答案到來之前形成一個可以與之比較的內在預期。如果沒有預期，學生只能知道 AI 給了甚麼；有了預期，他才可能看見答案如何改變自己的理解，也才知道自己原來錯在哪裡。

未來的大學課程，因此可能需要同時保留兩種空間。一種是允許甚至要求使用 AI 的人機共創環境，學生必須學會提出高品質問題、核查輸出、披露工具使用方式，並對最終結果負責。另一種則是暫時限制 AI 的訓練環境，讓學生在沒有即時答案的情況下，親自完成推理、實驗和表達。

限制 AI 並不是因為傳統方法在效率上優越，而是因為某些能力只有在本人實際承擔認知工作時才能形成。正如運動員不能把訓練重量交給機器舉起，再期待自己的肌肉因此增強；學生也不能把所有推理交給 AI，卻期待自己自然取得判斷力。

因此，成熟的 AI 教育既不是無條件開放，也不是全面禁止，而是讓學生知道何時應利用工具擴大能力，何時又應暫時放下工具，親自鍛鍊尚未形成的能力。

六、當入門工作被自動化，專業判斷從哪裡來？

同一個問題也出現在研究訓練中：如果專業能力是在承擔認知工作時形成的，那麼當入門工作被大幅自動化，下一代研究者將從哪裡取得必要的經驗？

傳統研究團隊通常由不同資歷的成員分工完成文獻整理、程式編寫、數據處理、推導、實驗、方向判斷與論文寫作。這種分工不只是生產安排，也是一種學徒制度。年輕研究者往往正是在處理看似基礎、繁瑣的工作時，逐步接觸資料的質感、模型的限制和領域中的隱性知識。

一名學生在清理數據時，可能第一次發現儀器輸出並不像教科書例題那樣整齊；在重現別人的程式時，可能看見論文沒有寫出的假設；在整理文獻時，可能逐漸理解哪些爭論只是用詞不同，哪些分歧卻真正涉及理論核心。這些經驗未必高效，卻是專業判斷形成的材料。

當 AI 接管文獻綜述、代碼編寫、初步推導、圖表製作和探索性分析時，研究效率可能大幅提升。但我們同時必須追問：如果年輕研究者不再需要經歷這些入門工作，他們將在甚麼過程中形成日後所需要的高階判斷？

我們不能一方面取消所有學徒階段的工作，另一方面又假設下一代研究者會自動成長為能夠統整理論、辨別異常和規劃方向的專家。專業判斷不是職稱帶來的能力，而是長期接觸問題、錯誤、證據與後果的累積。若把形成判斷的路徑自動化，卻只保留需要判斷的職位，教育制度便會出現一個危險的斷層。

因此，研究訓練不能只是把原有工作交給 AI，再讓學生站在旁邊觀看。大學必須重新設計學徒經驗：學生即使使用 AI，仍然需要參與問題形成、資料檢查、證據核查、模型比較、失敗分析、論證表達與學術歸因。他們不必手工完成每一個步驟，卻必須理解每一個步驟如何影響結論。

導師的角色也會隨之改變。過去，導師可能透過分派任務逐步判斷學生的能力；未來，當高完成度的成果可以迅速生成，導師更需要觀察學生如何選擇問題、如何回應異常、如何解釋取捨，以及在證據不完整時如何表達不確定。研究訓練的重點，會由「完成了多少工作」轉向「能否看懂工作的知識結構」。

從這個角度看，陶哲軒所描述的「證明過剩」同時也是一個教育問題。當證明與論文大量增加，真正稀缺的能力將逐漸由產生結果，轉向驗證結果、清楚闡述、連接既有知識、判斷重要性，以及把分散成果整理成可以傳承的理論。大學不只是知識生產的場所，也應是培養這種「知識消化能力」的地方。

七、教授為甚麼還要教？

由研究訓練再回到課堂，一個更直接、也更令人不安的問題便浮現出來：當 AI 愈來愈能教，教授作為教師的理由還剩下甚麼？

如果我們誠實面對現況，就不能假設教授必然比 AI 教得更好。許多大學課程仍以大班講授為主，同一份教材、同一種速度、同一套作業面對程度與背景截然不同的學生。教師能給予每個人的時間極其有限，辦公時間與個別回饋也只能覆蓋少數片段。相比之下，AI 可以反覆解釋而不失耐性，可以根據學生的回答立即改變難度，也可以在半夜繼續陪伴一個仍未理解的學生。

因此，「我掌握內容，所以我有資格站在講臺上」已不足以支撐教授的教學角色。當內容取得與個人化解釋不再稀缺，單向傳遞知識的價值必然下降。如果一名教授只是把教科書內容重新講一遍、安排幾次考試，再根據有限樣本給出成績，學生自然會追問：為甚麼不直接向一個更耐心、隨時可用，而且更了解我學習歷程的 AI 學習？

我們也不能輕易退回「人類有溫度」這種答案。人際關係當然重要；但如果課堂缺乏真正互動，評語遲來而籠統，學生甚至未曾被教師認真認識，那麼抽象地訴諸人類關懷，並不能證明現有制度合理。教授若要重新確立教育上的正當性，就必須在實際工作中提供那些 AI 尚不能自行承擔、而社會又確實需要的價值。

這種價值首先不是更多答案，而是對學習環境負責。教授要決定一門課為何值得存在，哪些概念必須形成，哪些標準不能降低，哪些工具可以使用，以及學生在甚麼情況下需要親自承擔推理。AI 可以協助提出課程方案，但最終仍需要有人向學生、學系與社會說明這些選擇，接受質疑，並在結果不理想時作出修正。

其次，教授要把學生帶進一個真實的知識共同體。學習不只是個人與答案之間的互動，也包括與同儕合作、公開論證、面對反對意見、承認錯誤，以及在共同標準下完成不能任意重來的工作。實驗室、研討課、田野工作與團隊專題的價值，不只在於提供資訊，而在於讓學生的判斷接受其他人的檢驗，並看見自己的選擇如何影響他人。

教授的角色，因而應從「答案的傳遞者」轉向「學習經驗的設計者、判斷標準的維護者與專業責任的見證者」。這不是替教授重新包裝一個安全位置，而是對這個職業提出更高要求：教師必須真正理解學生如何思考，提供只有在共同實踐中才會出現的挑戰，也必須願意為自己的評量與推薦負責。

如果教授做不到這些，只能繼續提供比 AI 更慢、更粗略的內容傳遞，那麼「為甚麼教授還要教」確實難有令人滿意的回答。教授這個職業不能只靠歷史地位維持；它必須透過組織有意義的共同學習、作出可被追問的判斷，並承擔教育後果，重新證明自身的價值。

八、當 AI 比教授更了解一名學生

一旦教授的角色轉向理解、評量與見證學生的成長，另一個限制便更清楚地浮現：我們對學生的認識，其實相當零碎。一名教師通常只能透過幾份作業、幾次考試、一個學期的課堂表現，或研究專題中的若干次會面來理解學生。這些都只是離散的取樣——在特定時間、特定情境下，看見學生的一小部分。

AI 卻可能在學生每一次閱讀、提問、修改、卡住與重新嘗試時都在場。它知道學生在哪些概念上反覆犯錯，知道哪些解釋真正促成理解，也知道他在數月或數年中如何改變。從資料完整度而言，一個長期陪伴學生的 AI，確實可能比任何單一教授更有能力描述他的學習軌跡。

因此，我們必須認真面對一個多少令人尷尬的可能：未來由學生個人 AI 產生的學習報告，或許會比教授撰寫的推薦信更完整、更有證據，也更能呈現長期成長。傳統推薦信經常依賴短暫印象、相對排名與有限互動；AI 卻可以指出學生經歷過哪些困難、如何回應回饋、在甚麼條件下表現最好，以及哪些弱點仍然存在。

但資料更完整，並不自動等於判斷更可靠。AI 所看見的，是學生在特定平台與特定互動中的行為；它未必能獨立確認學生在實驗室是否謹慎、在團隊衝突中是否誠實、在結果不利時是否願意承認錯誤，或者在真實後果面前能否負責。它的記錄也可能受到平台設計、資料缺漏與學生自我呈現方式影響。連續監測可以減少取樣不足，卻也可能把教育變成無所不在的監視。

所以，未來的評量不應在「教授推薦」與「AI 報告」之間二選一。較合理的制度，是把 AI 提供的長期學習紀錄，與教師在具體情境中的可驗證觀察結合。AI 可以呈現學習曲線、常見錯誤與修正過程；教授則應只對自己真正看見的部分作證，例如學生如何處理開放問題、如何與人合作、如何回應批評，以及是否能在沒有即時協助時獨立承擔工作。

推薦信本身也需要改變。與其讓教授以一封充滿概括形容詞的信代表整個學生，不如由學生提交一份經過驗證的長期學習檔案，其中包括 AI 生成但可追溯的成長摘要、代表性作品、口頭答辯、團隊與實踐紀錄，以及教師對特定經驗的署名評估。這樣的制度承認 AI 的觀察優勢，也保留人類對真實情境、共同標準與責任的見證。

然而，任何更完整的評量都必須以學生的資料權利為前提。學生應知道哪些資料被記錄、誰能使用、如何更正，以及能否帶走。大學不能為了追求更精細的評量，便把持續監測合理化為無法退出的教育監控。只有當制度透明、可受質疑並尊重學生自主時，比離散考試更完整的評量才稱得上進步。

九、論文過剩與同行評審的失衡

如果說教學面對的是評量資料迅速增加，研究面對的則是論文本身的過剩。AI 對研究制度最直接的衝擊，可能不是某一篇論文究竟由誰寫成，而是可提交論文的數量急劇增加。

生成文字、程式碼、圖表與初步分析的成本一旦下降，研究者便可以更快把一個想法整理成看似完整的稿件。這會帶來真正的知識增長，也會帶來大量增量極小、重複性高、驗證不足，卻在形式上符合投稿要求的成果。論文供給可以迅速擴張，合格審稿人的注意力卻不會以同樣速度增加。

現有同行評審制度原本已依賴學者在研究、教學和行政之外提供大量隱形勞動。當投稿量成倍增長，期刊若只是要求更多人審更多稿，制度便會逐漸失去可持續性。審稿變得匆忙，編輯依賴表面訊號進行篩選，真正需要時間理解的非典型工作反而更容易被忽略。

AI 當然可以協助審稿，例如檢查引用、比對相似內容、重做部分計算、標示論證缺口，或把稿件的核心主張整理成結構化摘要。這些工具有機會減輕機械性工作。但如果由 AI 大量生成論文，再由 AI 大量審閱論文，學術制度便可能形成一個封閉循環：機器輸出彼此評價，人類只在最後按下接受或拒絕，卻愈來愈難真正理解知識如何累積。

因此，期刊不能只把 AI 加進現有流程，而必須重新思考：甚麼值得成為一篇獨立論文，甚麼又值得消耗共同體有限的注意力？投稿應更清楚地陳述核心新意、與既有工作的差異、證據強度、可重現材料與失效條件。編輯與審稿人的重點，也應從稿件是否形式完整，轉向它是否真正改變了我們的理解、方法或可用證據。

評審制度亦可由一次性的出版前把關，逐步轉向多層次的檢驗。部分技術檢查可以自動化，具體結果可以在更廣泛共同體中被重現與評論，重要論文則在出版後持續更新其可信度與影響。與此同時，整理領域進展、比較相互衝突的結果、重現關鍵研究和發表負面結果，都應獲得比目前更明確的學術地位。

當論文不再稀缺，期刊的核心價值便不在於容納更多稿件，而在於分配有限的注意力、建立可信的知識脈絡，並說明各項主張已通過何種程度的檢驗。同行評審也不能再被視為沒有產出的附帶服務；它本身就是維持知識品質的研究貢獻，理應在工作量、聲譽與升遷制度中得到承認。

十、AI 不是作者，我們又如何判斷人的貢獻？

論文一旦大量增加，下一個問題便不只是如何審，而是如何辨認貢獻。現有學術規範通常不把 AI 列為作者，這有充分理由。作者不只是文字或想法的來源，也必須能夠同意發表、申報利益衝突、回答質疑、修正紀錄，並對研究的完整性負責。AI 不能以制度所要求的方式承擔這些責任。

然而，不把 AI 列為作者，並不表示它的貢獻可以被當作不存在。如果 AI 協助形成研究問題、提出關鍵猜想、設計方法、撰寫程式、解釋結果或起草論文，而最後只留下人類作者的名字，傳統作者名單便愈來愈難反映研究實際如何完成。

目前已有各種聲明與指引，要求研究者披露如何使用生成式 AI。這是必要的一步，卻主要回答「有沒有使用」與「如何使用」，尚未真正改變期刊與大學評價學術貢獻的方式。即使每篇論文都附上完整的 AI 使用聲明，升遷委員會仍可能照舊計算論文、引用和通訊作者位置，而沒有重新思考：在高度自動化的研究流程中，人的貢獻究竟應如何判斷？

未來需要的，不只是工具披露，而是更清楚的貢獻說明。研究者應指出哪些核心問題由誰界定，哪些方法與候選解釋由 AI 協助生成，哪些資料與結果經過何種獨立驗證，哪些重要選擇由人作出，以及誰願意對錯誤負責。這種說明不必記錄每一個提示詞，卻必須讓讀者看見知識主張的來源、轉折與驗證鏈條。

評價人的貢獻，也不應退回「親手完成多少」的標準。當工具能有效完成計算、編碼與寫作時，把手工勞動本身視為較高價值，既不合理，也會懲罰善於運用新工具的研究者。真正值得評價的，是研究者是否提出重要問題、作出關鍵選擇、辨認 AI 未能察覺的限制、設計可信的驗證、把結果放回學科脈絡，並對最終主張承擔責任。

最困難的情況，是核心洞見本身似乎由 AI 首先提出。此時，人類研究者的貢獻不能只是把輸出轉交給期刊。他必須證明自己理解這項洞見，能夠檢驗它、解釋它與既有知識的關係，辨認其適用範圍，並把一個未經承擔的機器輸出轉化為可被共同體質疑與使用的知識。即使如此，AI 的角色仍應被清楚記錄，而不是被吸收到人類聲望之中。

這些邊界不可能一次劃定。重要的是，學術制度不能一方面拒絕 AI 的作者身分，另一方面又把所有由 AI 放大的產出自動計入人類績效。作者資格、貢獻披露與研究評價必須同步改革；否則，責任屬於人，產量的功勞也屬於人，而機器在其中做了甚麼卻始終模糊不清。

十一、大學應如何改變終身教職與升遷評審？

一旦人的貢獻不能再由作者名單與產出數量直接推斷，終身教職與升遷評審也就無法維持原樣。以論文數量、期刊標籤與引用總數為核心的評審方式，本來就只是在成果相對稀缺、生成速度較慢時，提供一些便於比較的訊號。當研究者可以在 AI 協助下大幅增加產出，這些數字便更難代表思想的深度、工作的可靠性或個人的實際貢獻。

大學不應簡單規定「使用 AI 的論文少算一些」。這既難以執行，也會鼓勵隱瞞，更把問題錯誤地理解為工具是否純潔。較合理的方向，是把評審重心由產出總量轉向數量有限、可以深入核查的代表性貢獻。

候選人可以提交一組精選成果，說明每項工作改變了甚麼、自己作出了哪些不可替代的判斷、AI 與其他合作者分別扮演甚麼角色、核心主張如何被驗證，以及後續研究或實踐如何使用這些成果。外部評審也不應只回答候選人「發表得多不多」，而應回答：如果沒有這名研究者，這個領域的問題設定、方法、證據或共同資源會有甚麼不同？

這種評審必須承認比論文更廣泛的貢獻。可靠資料集、軟體、實驗平台、重現研究、負面結果、領域綜述、同行評審、公共溝通、研究團隊建設與年輕學者培養，都是答案過剩時代不可或缺的知識基礎設施。當生成結果變得容易，驗證、整理、維護與傳承的重要性反而提高。

教學評審也必須改變。如果 AI 可以比多數教授更清楚地講解標準內容，那麼教授的教學貢獻便不應主要以授課時數、學生滿意度或講臺表現衡量。大學更應評估教師是否設計了能形成判斷力的學習環境，是否善用 AI 而沒有把學生交給 AI，是否提供高品質的人際回饋與真實實踐，是否能根據長期證據改善課程，以及學生是否逐漸取得獨立承擔工作的能力。

推薦、指導與共同體服務也應被納入更具體的證據。教授是否幫助學生從依賴答案走向能夠判斷答案？是否建立了一個讓不同背景學生都能安全失敗、公開質疑與逐步成長的環境？是否為期刊、學會與公眾維護可信的知識標準？這些工作在傳統評審中常被視為次要，未來卻可能正是教授職業最重要的公共價值。

當然，深入評審意味著委員會必須投入更多時間，也可能引入新的主觀偏見。因此，制度需要結構化的貢獻說明、跨來源證據、清楚準則與可申訴程序，而不能只用幾個宏大詞語取代數字。改革的目的不是取消量化，而是讓量化回到證據的位置，不再代替真正的學術判斷。

終身教職的理由，本來就不是獎勵過去的產量，而是讓學者有條件追求長期、困難、不受短期壓力支配的問題。AI 愈能加速短期產出，大學便愈需要透過評審制度，保護並要求那些無法以產量衡量的工作：深度、可靠性、獨立判斷、知識維護與公共責任。

十二、評量必須從作品轉向理解與責任

研究評價必須從產量轉向貢獻，學生評量也面對相似的轉變。如果生成一份完整作業、報告或程式已經變得非常容易，評量便不能只看最後交出的作品；否則，我們測量到的可能只是學生是否善於調用工具，而不是他是否理解問題。

這不代表所有評量都要回到閉卷考試。閉卷考試可以檢查部分基礎知識與獨立推理，卻未必能反映真實世界中的研究與專業工作。更合理的方向，是把評量拆成互相補充的部分：有些環節限制 AI，用來確認學生具備不可外包的基礎能力；有些環節允許充分使用 AI，用來評估他能否組織複雜工作、核查輸出與改善結果。

在允許使用 AI 的任務中，學生應該說明自己如何界定問題、採用了哪些工具、為何接受或拒絕某些輸出、如何驗證關鍵結論，以及最終仍有哪些不確定性。這不是要求學生提交冗長的操作紀錄，而是要求他對知識形成的過程保持透明。

口頭答辯、現場修改、反思說明與階段性草稿，將比過去更重要。當教師追問「如果這個假設改變，結論會怎樣」、「哪一項證據最可能推翻你的判斷」或「為甚麼選擇這個模型而不是另一個」，學生是否真正理解便較難被流暢文字掩蓋。

更重要的是，評量應該把責任納入能力的一部分。學生不只要交出一個可用的結果，也要知道甚麼不能確定、甚麼需要進一步查證，以及在高風險情況下何時不應採用 AI 的建議。承認不知道、標示限制與拒絕過度推論，不應被視為能力不足；在科學訓練中，它們往往正是成熟判斷的表現。

當答案可以被廉價生成，學習過程、理解深度、驗證能力與責任歸屬便必須成為評量的核心。大學要評估的，不只是學生最後得到了甚麼，更是他能否理解、檢驗並為這個結果作出說明。

十三、科學品味，以及大學作為知識編輯者

但即使評量能夠辨認理解與責任，我們仍須回答另一個問題：在大量正確或近似正確的成果之中，甚麼值得我們投入注意力？這正是「科學品味」重新變得重要的原因。

面對數以千計的可能模型、證明、分子結構和研究方向，我們應把有限的注意力放在哪裡？哪些問題只是容易生成一篇論文，哪些問題卻可能改變我們理解一個領域的方式？哪些結果雖然形式正確，卻沒有帶來新的洞見？哪些異常值得繼續追查，哪些只是資料中的雜訊？

科學品味並不是少數天才與生俱來的神祕能力。它來自對學科歷史的理解、對失敗案例的記憶、對不同方法代價的比較，也來自與共同體長期討論甚麼重要、甚麼可信。它包含選擇，但也包含說明選擇的理由。

AI 可以提出研究方向、排列可能性，也可以生成「為何值得研究」的理由。然而，當理由本身也可以大量生成時，真正困難的便不再是為一個選擇找到說法，而是比較不同價值之間的優先次序。有限的研究經費、實驗設施、學生時間與社會信任，應該投放在哪裡？哪些問題即使短期沒有成果，仍值得共同體耐心追問？這些決定無法只靠產出效率衡量。

因此，未來的大學不能只獎勵產出數量和標準化成果。如果教育仍以最快完成、最多發表和最少錯誤為唯一標準，它便會訓練學生模仿機器最擅長的部分，而忽略人類目前最需要發展的能力：提出不同的問題、辨認真正的信號、承受長期不確定，以及說明一項研究為何值得被共同體在乎。

在「證明過剩」或更廣泛的「答案過剩」之中，大學還必須承擔一種知識編輯者的角色。它要幫助共同體驗證成果、建立分類、整理脈絡、淘汰重複與錯誤，並把真正重要的洞見轉化成可教、可理解、可延續的知識。生產更多內容不等於知識增長；只有當內容被檢驗、連接和消化，它才可能成為共同理解的一部分。

大學的價值，因而不只在於製造新的答案，也在於維護一個讓答案可以被負責任地選擇、爭論與保存的公共空間。

十四、學生與社會為甚麼還要珍惜大學？

然而，即使教授、期刊與大學內部願意改革，仍有一個更根本的問題無法迴避：學生與公眾是否還會承認大學的價值？

過去，大學擁有幾種相互強化的稀缺資源：專業知識、教師指導、研究設施、同儕網絡與被社會承認的學位。AI 首先削弱的是知識與解釋的稀缺性，之後也可能逐步削弱個別指導與能力評估的稀缺性。當任何人都可以獲得全天候導師、個人化課程和長期學習分析時，學生自然會重新衡量高昂學費與多年時間是否值得。

如果大學對這種質疑的回答只是「我們的教授是專家」或「大學經驗無可取代」，說服力只會愈來愈弱。專業身分不能保證教得更好，大學經驗也可能只意味著大班講課、延遲回饋和零散評量。學生不會因為制度歷史悠久，便永遠珍惜它所提供的內容；社會也不會因為教授曾經掌握知識入口，便持續接受大學對資源與聲望的要求。

大學需要更清楚地說明，它提供的不是一套比 AI 更昂貴的講義，而是一個可被追究責任的知識制度。它維護公開的課程標準、提供經過驗證的實踐經驗、組織不同觀點之間的辯論、保存長期研究基礎設施，也讓學生在真實共同體中學會合作、質疑與承擔後果。AI 可以支援這些工作，卻不應讓責任變得無人承擔。

同樣，大學也必須證明自己在生產公共知識，而不只是增加論文數量。當公眾看見大量研究成果卻無法分辨其重要性，或看見大學以 AI 加速產出，卻仍沿用舊指標彼此競爭，對學術價值的懷疑只會加深。研究型大學需要更有系統地整理成果、公開限制、重現關鍵主張，並說明研究如何改善共同體的理解，而不是只在新聞稿中宣告突破。

對學生而言，大學的承諾也應從「我們會教你知識」轉向「我們會讓你進入一個有標準、有實踐、有同儕，也有責任的學習共同體」。這項承諾必須具體體現在小型討論、研究參與、實驗與田野經驗、跨年級指導、經過驗證的成長檔案，以及學生對評量與資料使用的申訴權，而不能只是一句品牌口號。

大學的存在最終不能靠排斥 AI 來證明。它必須證明，自己能把 AI 的能力轉化為更好的學習、更可靠的研究與更廣泛的公共利益；也能在技術能力與商業平台之外，維護一套可以公開質疑、共同修正並長期延續的知識秩序。

那麼，教授為甚麼還要教？因為教育仍需要有人，以及一個可被問責的機構，去決定甚麼值得學、設計不能只靠提示完成的經驗、見證學生在真實情境中的成長，並對所授予的資格向社會負責。但如果教授與大學不再做這些事，只能提供較慢的答案與較稀疏的評量，那麼學生與社會也沒有義務繼續珍惜我們。

十五、誰有資格慢慢學習？

可是，當大學把自身價值建立在實踐、探索與長期成長之上，一個不能迴避的公平問題也隨之出現：未來究竟誰有資格在一個容許失敗、允許慢慢形成判斷的環境中學習？

如果大學為了回應產業效率，全面轉向模組化、自動化和短期技能訓練，那麼能夠提供實體實驗、長期指導、開放探索與低風險失敗的教育環境，可能會成為極其稀缺而昂貴的資源。只有少數頂尖學府和資源充足的學生，才有條件接受這種不以即時產出為唯一目的的訓練。

結果可能是一種新的知識分化：少數人學會設定問題、檢查模型和判斷有效性，多數人則只被訓練成高效率地操作 AI 系統。前者能夠決定機器應該做甚麼，後者卻只能接受機器給出的結果。

這種分化甚至可能以「普及教育」之名出現。AI 確實可以降低取得解釋、練習與回饋的成本，讓更多人接觸高品質學習資源；但如果資源較少的學生只得到自動化教學，而資源充足者仍能獲得導師對話、實驗經驗、研究機會與同儕共同體，那麼技術改善了內容的可及性，卻未必改善形成判斷力的機會。

這不只是教育資源分配的問題，也是整個社會知識結構的問題。如果判斷、質疑與驗證逐漸變成少數人的特權，那麼 AI 能力愈強，社會對這少數把關者的依賴反而可能愈深。表面上，人人都能取得答案；實際上，只有少數人能決定哪些答案應被採用。

因此，實驗室、田野工作、面對面討論、長期專題與容許失敗的學習空間，不應只是精英教育的裝飾，而應被視為培養社會判斷能力的公共基礎設施。AI 所節省的成本，也不應只被用來擴大產量，而應重新投放於更難自動化的人際指導、共同探究與實踐經驗。

十六、不同學科，同一個教育問題

這些原則落到不同學科時，形式當然各有不同。數學、物理、生命科學、化學與海洋科學所面對的具體問題並不相同，卻都指向同一個教育核心：學生不能只學會取得輸出，還必須判斷輸出如何與理論、證據和現實連接。

在數學中，一個證明不只要形式正確，還應揭示結構、說明關鍵思想，並能被共同體理解與使用。即使 AI 能生成正確而複雜的證明，大學仍必須訓練學生辨認真正的突破在哪裡、哪些步驟只是技術展開、如何把論證寫得清楚，以及如何把新結果放進既有理論之中。

在理論物理中，推導是否漂亮並不等於理論是否描述自然。學生必須理解對稱性、近似與尺度如何塑造模型，也要知道一個在數學上自洽的框架，仍然需要與觀察和實驗建立關係。AI 可以協助探索可能理論，卻不能讓理論與現實之間的張力自動消失。

在生命科學與化學中，蛋白質結構預測、化學路徑設計與分子性質估計可以大幅縮短探索時間，但預測仍然要面對實驗條件、生物環境、材料純度與測量誤差。學生需要理解模型輸出是一項有條件的主張，而不是自然本身已經作出的保證。

在海洋科學中，模型只能納入有限的變數、尺度與邊界條件。洋流、氣候、生態與人類活動互相作用，現場資料又經常稀疏而不完整。高解析度模擬可以提供前所未有的細節，卻也可能帶來一種危險的真實感，使人忘記每一幅精美圖像背後仍有選擇、近似與未知。

這正是實體實驗室、試管、顯微鏡、感測器與海上採樣仍然重要的原因。它們不只是取得更多資料的工具，也是讓學生親身感受理論與現實之間距離的教育場所。當學生看見儀器漂移、樣本污染、環境變化與不可重現的結果，才會明白科學知識並非從模型中直接輸出，而是在理論、工具、觀察與共同檢驗之間艱難形成。

不同學科需要不同的課程設計，但它們共同面對的問題是：如何讓學生在充分利用 AI 的同時，仍保有與現實、證據和責任的接觸。

結語：教授與大學作為判斷的共同體

回到最初的問題，今天的 AI 是否已經達到專業研究者的整體水平，並不是本文最重要的關切。即使有人認為現有系統仍不夠可靠，我們也不能把大學的未來建立在「AI 將永遠維持今天的缺陷」這項假設上。大學所面對的，不是一場等待技術定型後才開始的改革，而是一連串必須在技術持續變動時作出的制度選擇。

如果未來的 AI 比今天更準確、更快速，也更能解釋自己的答案，大學的價值不會因此自然消失，卻必須被重新說明。大學不能只是保存知識的倉庫、發放資格的機構，或訓練標準操作的工場；它必須成為一個讓人學會提問、驗證、解釋、質疑並承擔責任的共同體。

因此，改革不能只停留在把 AI 加進課堂。課程若不改變，AI 只會加速舊有任務；評量若不改變，它只會使作品與理解更加分離；研究訓練若不改變，它可能在提升效率的同時切斷專業成長的路徑；期刊與升遷制度若不改變，它會把機器放大的產量誤認為人的學術貢獻；資源分配若不改變，它甚至可能擴大「能夠操作答案」與「能夠判斷答案」之間的差距。

真正需要重新設計的，是整條知識形成與評價的鏈條：學生如何建立基礎，如何在阻力中形成直覺，如何使用工具而不放棄判斷，如何從入門工作走向專業責任；教授如何結合 AI 的持續觀察與自己在真實情境中的判斷；期刊如何在論文過剩中分配注意力；大學又如何辨認一名研究者真正作出的貢獻。這些環節不能彼此分割，因為判斷力從來不是一門獨立課程可以一次教完的技能，而是在整個教育與學術制度中逐步形成的習慣。

當答案不再稀缺，真正稀缺的將是注意力、判斷力、科學品味、學術責任，以及把大量結果整理成共同知識的能力。大學的任務，不是與 AI 比賽誰能更快地產生答案，而是確保下一代即使身處答案過剩的世界，仍然知道甚麼值得問、甚麼可以相信、甚麼需要懷疑，以及自己願意為哪些判斷負責。

我仍然不知道未來的大學會變成甚麼模樣，也不能假設教授這個職業會以今天的形式自然延續。但有一點愈來愈清楚：AI 愈強，大學便愈不能只教答案，教授也愈不能只靠傳授答案來證明自己的價值。我們必須教人如何在答案之中作出判斷；而且不只是個人的判斷，還包括一個知識共同體如何公開理由、互相檢驗、承認工具的貢獻、修正錯誤，並共同承擔把答案帶進現實的後果。